Reconstrucciones paleobatimétricas basadas en aprendizaje automático utilizando biomarcadores de lípidos de arqueas

Área de la Ciencia:

• Geoquímica
• Paleoceanografía
• Biogeociencia

Sus antecedentes:

• La reconstrucción de las profundidades oceánicas pasadas es crucial para comprender las interacciones climáticas y tectónicas.
• Los métodos actuales de paleobatimetría tienen limitaciones significativas.

Objetivo del estudio:

• Evaluar los dialquilgliceroles tetraéteres (GDGT) como un proxy cuantitativo para la paleobatimetría.
• Desarrollar y validar modelos de aprendizaje automático para la reconstrucción de la paleoprofundidad.

Principales métodos:

• Análisis de un conjunto de datos global de sedimentos superficiales marinos.
• Aplicación de modelos de aprendizaje automático de bosque aleatorio entrenados en perfiles de GDGT (isoGDGT y OH-GDGT).
• Prueba del modelo en un registro sedimentario de seis millones de años de la plataforma noroeste de Australia.

Principales resultados:

• Las distribuciones de GDGT muestran cambios sistemáticos con la profundidad del agua.
• Los modelos de aprendizaje automático lograron una alta precisión predictiva (R² = 0.85, RMSE = 646 m).
• Las reconstrucciones se alinean con los datos de foraminíferos y revelan influencias tectónicas en la batimetría y la corriente Leeuwin.

Conclusiones:

• Los modelos de aprendizaje automático basados en GDGT ofrecen un método confiable para reconstruir las paleoprofundidades oceánicas.
• Este enfoque investiga eficazmente los vínculos entre la oceanografía, la tectónica y el cambio climático.
• El estudio destaca el potencial de los GDGT para análisis paleoceanográficos y tectónicos detallados.